Claude Opus 4.5 ialah model Anthropic untuk tugasan yang memerlukan pemahaman keperluan samar, pemilihan pelan tindakan dan penerusan kerja secara berurutan sehingga menghasilkan hasil. Bidang utama yang diketengahkan ialah pengaturcaraan, kerja ejen, penggunaan komputer dan penyelidikan mendalam. Dalam kerja profesional harian, model boleh membantu dengan hamparan dan pembentangan.
Dalam tugasan kejuruteraan, Opus 4.5 boleh meneliti hubungan antara beberapa bahagian sistem, mencari punca ralat rumit, membincangkan kompromi dan menyediakan perubahan kod. Bagi kerja berpanjangan, Anthropic menekankan perancangan tindakan, penggunaan alat dan penyelarasan subtugasan secara berasingan. Ini sesuai untuk senario yang memerlukan bahan dikaji terlebih dahulu, kemudian tindakan dipilih dan hasilnya diperiksa.
Kemudahan membaca dan menyunting fail, melaksanakan arahan, mencari maklumat dan menggunakan antara muka mesti disediakan oleh aplikasi. Model menaakul tentang tindakan yang perlu dilakukan dan membentuk panggilan kepada alat yang tersedia; pelaksanaan sebenar bergantung pada persekitaran yang disambungkan. Begitu juga, penyediaan hamparan atau pembentangan boleh merangkumi kandungan dan kod, manakala penghasilan fail siap memerlukan alat yang sepadan.
Opus 4.5 menyokong extended thinking dengan bajet manual budget_tokens. Apabila mod ini diaktifkan, model menganalisis tugasan sebelum respons akhir. Dengan sokongan aplikasi yang sepadan, model juga boleh menaakul antara panggilan alat, dengan mengambil kira hasil yang diterima sebelum tindakan seterusnya.
Jika kaedah menyokong tetapan, bajet manual budget_tokens bermula pada 1024 token dan biasanya mesti kurang daripada max_tokens. Terdapat pengecualian untuk penaakulan antara alat: bajet boleh melebihi max_tokens kerana merangkumi beberapa blok analisis dalam satu giliran. Pengecualian ini memerlukan aplikasi menyokong mod tersebut.
Parameter effort mengawal tahap usaha keseluruhan: low, medium dan high tersedia, dengan high sebagai tahap standard. Parameter ini berfungsi sama ada penaakulan diaktifkan atau tidak. Bajet penaakulan dan tahap usaha mempunyai fungsi yang berbeza: yang pertama mengarahkan jumlah analisis dalaman, manakala yang kedua mempengaruhi usaha menghasilkan respons secara keseluruhan. Versi ini tidak mempunyai mod adaptif.
Teks dan imej diterima sebagai input, manakala model menghasilkan teks sebagai output. Konteks ialah 200 ribu token, dengan panjang respons maksimum 64 ribu token. Set bahan besar boleh digunakan untuk penyelidikan, analisis dokumen dan pembangunan, tetapi hasil mesti dimuatkan dalam batasan versi khusus ini.
Format input visual biasa pengeluar ialah JPEG/PNG/GIF/WebP, dengan bingkai pertama digunakan bagi animasi. Untuk analisis natif: sisi panjang ialah 1568 piksel dan jumlah token visual ialah 1568; imej besar dikecilkan sebelum analisis. Sokongan fail dan parameter bergantung pada kaedah aplikasi.
Batas pengetahuan terbina dalam yang boleh dipercayai ialah Mei 2025. Maklumat semasa memerlukan bahan yang diberikan atau alat aplikasi. Anthropic melatih model untuk menentang arahan berniat jahat yang tersembunyi dalam kandungan pihak lain, tetapi ini tidak menyingkirkan kemungkinan kesimpulan salah: pelan, perubahan dan kesimpulan perlu diperiksa dalam tugasan sebenar.
", "aboutText": "Claude Opus 4.5 ialah model Anthropic untuk tugasan yang memerlukan pemahaman keperluan samar, pemilihan pelan tindakan dan penerusan kerja secara berurutan sehingga menghasilkan hasil. Bidang utama yang diketengahkan ialah pengaturcaraan, kerja ejen, penggunaan komputer dan penyelidikan mendalam. Dalam kerja profesional harian, model boleh membantu dengan hamparan dan pembentangan.\n\n### Daripada analisis masalah kepada pelaksanaan\n\nDalam tugasan kejuruteraan, Opus 4.5 boleh meneliti hubungan antara beberapa bahagian sistem, mencari punca ralat rumit, membincangkan kompromi dan menyediakan perubahan kod. Bagi kerja berpanjangan, Anthropic menekankan perancangan tindakan, penggunaan alat dan penyelarasan subtugasan secara berasingan. Ini sesuai untuk senario yang memerlukan bahan dikaji terlebih dahulu, kemudian tindakan dipilih dan hasilnya diperiksa.\n\nKemudahan membaca dan menyunting fail, melaksanakan arahan, mencari maklumat dan menggunakan antara muka mesti disediakan oleh aplikasi. Model menaakul tentang tindakan yang perlu dilakukan dan membentuk panggilan kepada alat yang tersedia; pelaksanaan sebenar bergantung pada persekitaran yang disambungkan. Begitu juga, penyediaan hamparan atau pembentangan boleh merangkumi kandungan dan kod, manakala penghasilan fail siap memerlukan alat yang sepadan.\n\n### Dua kawalan kerja yang berbeza\n\nOpus 4.5 menyokong **extended thinking** dengan bajet manual `budget_tokens`. Apabila mod ini diaktifkan, model menganalisis tugasan sebelum respons akhir. Dengan sokongan aplikasi yang sepadan, model juga boleh menaakul antara panggilan alat, dengan mengambil kira hasil yang diterima sebelum tindakan seterusnya.\n\nJika kaedah menyokong tetapan, bajet manual `budget_tokens` bermula pada **1024 token** dan biasanya mesti kurang daripada `max_tokens`. Terdapat pengecualian untuk penaakulan antara alat: bajet boleh melebihi `max_tokens` kerana merangkumi beberapa blok analisis dalam satu giliran. Pengecualian ini memerlukan aplikasi menyokong mod tersebut.\n\nParameter `effort` mengawal tahap usaha keseluruhan: `low`, `medium` dan `high` tersedia, dengan `high` sebagai tahap standard. Parameter ini berfungsi sama ada penaakulan diaktifkan atau tidak. Bajet penaakulan dan tahap usaha mempunyai fungsi yang berbeza: yang pertama mengarahkan jumlah analisis dalaman, manakala yang kedua mempengaruhi usaha menghasilkan respons secara keseluruhan. Versi ini tidak mempunyai mod adaptif.\n\n### Teks dan bahan visual\n\n**Teks dan imej** diterima sebagai input, manakala model menghasilkan **teks** sebagai output. Konteks ialah **200 ribu token**, dengan panjang respons maksimum **64 ribu token**. Set bahan besar boleh digunakan untuk penyelidikan, analisis dokumen dan pembangunan, tetapi hasil mesti dimuatkan dalam batasan versi khusus ini.\n\nFormat input visual biasa pengeluar ialah JPEG/PNG/GIF/WebP, dengan bingkai pertama digunakan bagi animasi. Untuk analisis natif: sisi panjang ialah 1568 piksel dan jumlah token visual ialah 1568; imej besar dikecilkan sebelum analisis. Sokongan fail dan parameter bergantung pada kaedah aplikasi.\n\nBatas pengetahuan terbina dalam yang boleh dipercayai ialah **Mei 2025**. Maklumat semasa memerlukan bahan yang diberikan atau alat aplikasi. Anthropic melatih model untuk menentang arahan berniat jahat yang tersembunyi dalam kandungan pihak lain, tetapi ini tidak menyingkirkan kemungkinan kesimpulan salah: pelan, perubahan dan kesimpulan perlu diperiksa dalam tugasan sebenar.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Fix a mutation-dependent retry bug\n\nReview this Python function: def ready(items):\n for item in items:\n if item["done"]:\n items.remove(item)\n return items\nWith two adjacent completed items, one remains. Propose a minimal correction that preserves the input list, and provide tests for adjacent completed items, no completed items and an empty list.A corrected Python function, a brief bug explanation and three executable test cases.Check that iteration does not mutate the source list and that the test with two adjacent completed items removes both from the result.claude-opus-4-5-20251101Claude Opus 4.5 menumpukan pembangunan yang rumit, penyelidikan dan kerja berbilang langkah dengan alat. Membantu menganalisis tugasan yang samar serta menyediakan kandungan dokumen, hamparan dan pembentangan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Claude Opus 4.5 ialah model Anthropic untuk tugasan yang memerlukan pemahaman keperluan samar, pemilihan pelan tindakan dan penerusan kerja secara berurutan sehingga menghasilkan hasil. Bidang utama yang diketengahkan ialah pengaturcaraan, kerja ejen, penggunaan komputer dan penyelidikan mendalam. Dalam kerja profesional harian, model boleh membantu dengan hamparan dan pembentangan.
Dalam tugasan kejuruteraan, Opus 4.5 boleh meneliti hubungan antara beberapa bahagian sistem, mencari punca ralat rumit, membincangkan kompromi dan menyediakan perubahan kod. Bagi kerja berpanjangan, Anthropic menekankan perancangan tindakan, penggunaan alat dan penyelarasan subtugasan secara berasingan. Ini sesuai untuk senario yang memerlukan bahan dikaji terlebih dahulu, kemudian tindakan dipilih dan hasilnya diperiksa.
Kemudahan membaca dan menyunting fail, melaksanakan arahan, mencari maklumat dan menggunakan antara muka mesti disediakan oleh aplikasi. Model menaakul tentang tindakan yang perlu dilakukan dan membentuk panggilan kepada alat yang tersedia; pelaksanaan sebenar bergantung pada persekitaran yang disambungkan. Begitu juga, penyediaan hamparan atau pembentangan boleh merangkumi kandungan dan kod, manakala penghasilan fail siap memerlukan alat yang sepadan.
Opus 4.5 menyokong extended thinking dengan bajet manual budget_tokens. Apabila mod ini diaktifkan, model menganalisis tugasan sebelum respons akhir. Dengan sokongan aplikasi yang sepadan, model juga boleh menaakul antara panggilan alat, dengan mengambil kira hasil yang diterima sebelum tindakan seterusnya.
Jika kaedah menyokong tetapan, bajet manual budget_tokens bermula pada 1024 token dan biasanya mesti kurang daripada max_tokens. Terdapat pengecualian untuk penaakulan antara alat: bajet boleh melebihi max_tokens kerana merangkumi beberapa blok analisis dalam satu giliran. Pengecualian ini memerlukan aplikasi menyokong mod tersebut.
Parameter effort mengawal tahap usaha keseluruhan: low, medium dan high tersedia, dengan high sebagai tahap standard. Parameter ini berfungsi sama ada penaakulan diaktifkan atau tidak. Bajet penaakulan dan tahap usaha mempunyai fungsi yang berbeza: yang pertama mengarahkan jumlah analisis dalaman, manakala yang kedua mempengaruhi usaha menghasilkan respons secara keseluruhan. Versi ini tidak mempunyai mod adaptif.
Teks dan imej diterima sebagai input, manakala model menghasilkan teks sebagai output. Konteks ialah 200 ribu token, dengan panjang respons maksimum 64 ribu token. Set bahan besar boleh digunakan untuk penyelidikan, analisis dokumen dan pembangunan, tetapi hasil mesti dimuatkan dalam batasan versi khusus ini.
Format input visual biasa pengeluar ialah JPEG/PNG/GIF/WebP, dengan bingkai pertama digunakan bagi animasi. Untuk analisis natif: sisi panjang ialah 1568 piksel dan jumlah token visual ialah 1568; imej besar dikecilkan sebelum analisis. Sokongan fail dan parameter bergantung pada kaedah aplikasi.
Batas pengetahuan terbina dalam yang boleh dipercayai ialah Mei 2025. Maklumat semasa memerlukan bahan yang diberikan atau alat aplikasi. Anthropic melatih model untuk menentang arahan berniat jahat yang tersembunyi dalam kandungan pihak lain, tetapi ini tidak menyingkirkan kemungkinan kesimpulan salah: pelan, perubahan dan kesimpulan perlu diperiksa dalam tugasan sebenar.
POST /v1/messagestext, imagetext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had claude-opus-4-5-20251101 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring|content_block[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medansystem | Jenisstring|content_block[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had Minimum: 1 Had terpakai pada: had maksimum tepat bagi model/kad yang dipilih | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop_sequences | Jenisstring[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenistool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].name | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: alat dibekalkan | Lalai— |
Medantools[].description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].input_schema | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanthinking.type | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanthinking.budget_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanoutput_config.effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmetadata | Jenisobject | KeperluanPilihan | Nilai & had | Lalai— |
Medancache_control | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Teks · Teks UTF8
messages[].content atau blok type=text
Teks + imej
{type:image,source:{type:base64,media_type,data}} atau sumber dengan type=url
| Parameter | Kontrak |
|---|---|
Parametermaterial_types | Kontraktext, image |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontraknull |
Parametercontent_type | Kontrakapplication/json |
Parametertext_file_material | Kontrakkandungan UTF-8 sebenar dimasukkan sebagai teks; ID fail atau alamat URL (URLs) memerlukan sokongan tepat yang berasingan |
Kitar hayat: exact retained published method
Struktur kaedah dan ID adalah tepat; keupayaan pembekal berasingan daripada penerimaan permintaan.
POST /v1/messagesAiloot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-opus-4-5-20251101", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-opus-4-5-20251101", "max_tokens": 1024, "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image","source":{"type":"base64","media_type":mime,"data":b64}})\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="claude-opus-4-5-20251101",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "claude-opus-4-5-20251101",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=anthropic.Anthropic(base_url="https://api.ailoot.ai",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.messages.stream(model='claude-opus-4-5-20251101',max_tokens=1024,messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_message()\n save_result(final.to_dict(mode="json"),"stream-result")\njson atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot claude-opus-4-5-20251101
Ailoot Ultra claude-opus-4-5-20251101
/chat/completions
claude-opus-4-5-20251101Claude Opus 4.5 menumpukan pembangunan yang rumit, penyelidikan dan kerja berbilang langkah dengan alat. Membantu menganalisis tugasan yang samar serta menyediakan kandungan dokumen, hamparan dan pembentangan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Claude Opus 4.5 ialah model Anthropic untuk tugasan yang memerlukan pemahaman keperluan samar, pemilihan pelan tindakan dan penerusan kerja secara berurutan sehingga menghasilkan hasil. Bidang utama yang diketengahkan ialah pengaturcaraan, kerja ejen, penggunaan komputer dan penyelidikan mendalam. Dalam kerja profesional harian, model boleh membantu dengan hamparan dan pembentangan.
Dalam tugasan kejuruteraan, Opus 4.5 boleh meneliti hubungan antara beberapa bahagian sistem, mencari punca ralat rumit, membincangkan kompromi dan menyediakan perubahan kod. Bagi kerja berpanjangan, Anthropic menekankan perancangan tindakan, penggunaan alat dan penyelarasan subtugasan secara berasingan. Ini sesuai untuk senario yang memerlukan bahan dikaji terlebih dahulu, kemudian tindakan dipilih dan hasilnya diperiksa.
Kemudahan membaca dan menyunting fail, melaksanakan arahan, mencari maklumat dan menggunakan antara muka mesti disediakan oleh aplikasi. Model menaakul tentang tindakan yang perlu dilakukan dan membentuk panggilan kepada alat yang tersedia; pelaksanaan sebenar bergantung pada persekitaran yang disambungkan. Begitu juga, penyediaan hamparan atau pembentangan boleh merangkumi kandungan dan kod, manakala penghasilan fail siap memerlukan alat yang sepadan.
Opus 4.5 menyokong extended thinking dengan bajet manual budget_tokens. Apabila mod ini diaktifkan, model menganalisis tugasan sebelum respons akhir. Dengan sokongan aplikasi yang sepadan, model juga boleh menaakul antara panggilan alat, dengan mengambil kira hasil yang diterima sebelum tindakan seterusnya.
Jika kaedah menyokong tetapan, bajet manual budget_tokens bermula pada 1024 token dan biasanya mesti kurang daripada max_tokens. Terdapat pengecualian untuk penaakulan antara alat: bajet boleh melebihi max_tokens kerana merangkumi beberapa blok analisis dalam satu giliran. Pengecualian ini memerlukan aplikasi menyokong mod tersebut.
Parameter effort mengawal tahap usaha keseluruhan: low, medium dan high tersedia, dengan high sebagai tahap standard. Parameter ini berfungsi sama ada penaakulan diaktifkan atau tidak. Bajet penaakulan dan tahap usaha mempunyai fungsi yang berbeza: yang pertama mengarahkan jumlah analisis dalaman, manakala yang kedua mempengaruhi usaha menghasilkan respons secara keseluruhan. Versi ini tidak mempunyai mod adaptif.
Teks dan imej diterima sebagai input, manakala model menghasilkan teks sebagai output. Konteks ialah 200 ribu token, dengan panjang respons maksimum 64 ribu token. Set bahan besar boleh digunakan untuk penyelidikan, analisis dokumen dan pembangunan, tetapi hasil mesti dimuatkan dalam batasan versi khusus ini.
Format input visual biasa pengeluar ialah JPEG/PNG/GIF/WebP, dengan bingkai pertama digunakan bagi animasi. Untuk analisis natif: sisi panjang ialah 1568 piksel dan jumlah token visual ialah 1568; imej besar dikecilkan sebelum analisis. Sokongan fail dan parameter bergantung pada kaedah aplikasi.
Batas pengetahuan terbina dalam yang boleh dipercayai ialah Mei 2025. Maklumat semasa memerlukan bahan yang diberikan atau alat aplikasi. Anthropic melatih model untuk menentang arahan berniat jahat yang tersembunyi dalam kandungan pihak lain, tetapi ini tidak menyingkirkan kemungkinan kesimpulan salah: pelan, perubahan dan kesimpulan perlu diperiksa dalam tugasan sebenar.
POST /v1/responsestext, imagetext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had claude-opus-4-5-20251101 | Lalai— |
Medaninput | Jenisstring|input_item[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medaninput[].type | Jenisstring | KeperluanPilihan | Nilai & had message, reasoning, function_call, function_call_output | Lalai— |
Medaninput[].content | Jenisstring|content_part[] | KeperluanPilihan | Nilai & had | Lalai— |
Medaninput[].call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: function_call_output; kekalkan call_id sebenar yang dipulangkan | Lalai— |
Medaninput[].output | Jenisstring|content_part[] | KeperluanPilihan | Nilai & had Terpakai apabila: function_call_output | Lalai— |
Medanmax_output_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenistool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning.effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning.summary | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantext.format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantext.verbosity | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninclude | Jenisstring[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstore | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprevious_response_id | Jenisstring | KeperluanPilihan | Nilai & had Keperluan ID: Hanya ID respons sebenar daripada penerusan yang disokong Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_key | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Teks · Teks UTF8
Teks input atau bahagian input_text
Teks + imej
{type:input_image,image_url}
| Parameter | Kontrak |
|---|---|
Parametermaterial_types | Kontraktext, image |
Parameterrequired | Kontrakmodel, input |
Parameteroptional_controls | Kontraknull |
Parametercontent_type | Kontrakapplication/json |
Parametertext_file_material | Kontrakkandungan UTF-8 sebenar dimasukkan sebagai teks; ID fail atau alamat URL (URLs) memerlukan sokongan tepat yang berasingan |
Kitar hayat: exact retained published method
Struktur kaedah dan ID adalah tepat; keupayaan pembekal berasingan daripada penerimaan permintaan.
POST /v1/responsesAiloot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-opus-4-5-20251101", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/responses \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-opus-4-5-20251101", "input": [{"role": "user", "content": [{"type": "input_text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["input"][0]["content"].append({"type":"input_image","image_url":"data:"+mime+";base64,"+b64})\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/responses \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = OpenAI(base_url="https://api.ailoot.ai/v1", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nresp = client.responses.create(model="claude-opus-4-5-20251101", input="Explain the difference between an observation and a hypothesis in three sentences.")\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "claude-opus-4-5-20251101", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nwith client.responses.stream(model="claude-opus-4-5-20251101", input="Explain the difference between an observation and a hypothesis in three sentences.") as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_response()\n save_result(final.to_dict(mode="json"),"stream-result")\njson atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap item output dan bahagian kandungan, call_id fungsi sebenar, penaakulan disulitkan serta data penggunaan. Semasa penstriman, kekalkan identiti peristiwa/item yang lengkap.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanstatus | Jenisstring |
Medanoutput[] | Jenismessage|reasoning|function_call|other item |
Medanoutput[].content[] | Jeniscontent part |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot claude-opus-4-5-20251101
Ailoot Ultra claude-opus-4-5-20251101
/chat/completions
claude-opus-4-5-20251101Claude Opus 4.5 menumpukan pembangunan yang rumit, penyelidikan dan kerja berbilang langkah dengan alat. Membantu menganalisis tugasan yang samar serta menyediakan kandungan dokumen, hamparan dan pembentangan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Claude Opus 4.5 ialah model Anthropic untuk tugasan yang memerlukan pemahaman keperluan samar, pemilihan pelan tindakan dan penerusan kerja secara berurutan sehingga menghasilkan hasil. Bidang utama yang diketengahkan ialah pengaturcaraan, kerja ejen, penggunaan komputer dan penyelidikan mendalam. Dalam kerja profesional harian, model boleh membantu dengan hamparan dan pembentangan.
Dalam tugasan kejuruteraan, Opus 4.5 boleh meneliti hubungan antara beberapa bahagian sistem, mencari punca ralat rumit, membincangkan kompromi dan menyediakan perubahan kod. Bagi kerja berpanjangan, Anthropic menekankan perancangan tindakan, penggunaan alat dan penyelarasan subtugasan secara berasingan. Ini sesuai untuk senario yang memerlukan bahan dikaji terlebih dahulu, kemudian tindakan dipilih dan hasilnya diperiksa.
Kemudahan membaca dan menyunting fail, melaksanakan arahan, mencari maklumat dan menggunakan antara muka mesti disediakan oleh aplikasi. Model menaakul tentang tindakan yang perlu dilakukan dan membentuk panggilan kepada alat yang tersedia; pelaksanaan sebenar bergantung pada persekitaran yang disambungkan. Begitu juga, penyediaan hamparan atau pembentangan boleh merangkumi kandungan dan kod, manakala penghasilan fail siap memerlukan alat yang sepadan.
Opus 4.5 menyokong extended thinking dengan bajet manual budget_tokens. Apabila mod ini diaktifkan, model menganalisis tugasan sebelum respons akhir. Dengan sokongan aplikasi yang sepadan, model juga boleh menaakul antara panggilan alat, dengan mengambil kira hasil yang diterima sebelum tindakan seterusnya.
Jika kaedah menyokong tetapan, bajet manual budget_tokens bermula pada 1024 token dan biasanya mesti kurang daripada max_tokens. Terdapat pengecualian untuk penaakulan antara alat: bajet boleh melebihi max_tokens kerana merangkumi beberapa blok analisis dalam satu giliran. Pengecualian ini memerlukan aplikasi menyokong mod tersebut.
Parameter effort mengawal tahap usaha keseluruhan: low, medium dan high tersedia, dengan high sebagai tahap standard. Parameter ini berfungsi sama ada penaakulan diaktifkan atau tidak. Bajet penaakulan dan tahap usaha mempunyai fungsi yang berbeza: yang pertama mengarahkan jumlah analisis dalaman, manakala yang kedua mempengaruhi usaha menghasilkan respons secara keseluruhan. Versi ini tidak mempunyai mod adaptif.
Teks dan imej diterima sebagai input, manakala model menghasilkan teks sebagai output. Konteks ialah 200 ribu token, dengan panjang respons maksimum 64 ribu token. Set bahan besar boleh digunakan untuk penyelidikan, analisis dokumen dan pembangunan, tetapi hasil mesti dimuatkan dalam batasan versi khusus ini.
Format input visual biasa pengeluar ialah JPEG/PNG/GIF/WebP, dengan bingkai pertama digunakan bagi animasi. Untuk analisis natif: sisi panjang ialah 1568 piksel dan jumlah token visual ialah 1568; imej besar dikecilkan sebelum analisis. Sokongan fail dan parameter bergantung pada kaedah aplikasi.
Batas pengetahuan terbina dalam yang boleh dipercayai ialah Mei 2025. Maklumat semasa memerlukan bahan yang diberikan atau alat aplikasi. Anthropic melatih model untuk menentang arahan berniat jahat yang tersembunyi dalam kandungan pihak lain, tetapi ini tidak menyingkirkan kemungkinan kesimpulan salah: pelan, perubahan dan kesimpulan perlu diperiksa dalam tugasan sebenar.
POST /v1/chat/completionstext, imagetext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had claude-opus-4-5-20251101 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Teks · Teks UTF8
messages[].content
Teks + imej
{type:image_url,image_url:{url,detail}}
| Parameter | Kontrak |
|---|---|
Parametermaterial_types | Kontraktext, image |
Parameterrequired | Kontrakmodel, messages |
Parameteroptional_controls | Kontraknull |
Parametercontent_type | Kontrakapplication/json |
Parametertext_file_material | Kontrakkandungan UTF-8 sebenar dimasukkan sebagai teks; ID fail atau alamat URL (URLs) memerlukan sokongan tepat yang berasingan |
Kitar hayat: exact retained published method
Struktur kaedah dan ID adalah tepat; keupayaan pembekal berasingan daripada penerimaan permintaan.
POST /v1/chat/completionsAiloot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-opus-4-5-20251101", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-opus-4-5-20251101", "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image_url","image_url":{"url":"data:"+mime+";base64,"+b64}})\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = OpenAI(base_url="https://api.ailoot.ai/v1", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nresp = client.chat.completions.create(\n model="claude-opus-4-5-20251101",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "claude-opus-4-5-20251101",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='claude-opus-4-5-20251101',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot claude-opus-4-5-20251101
Ailoot Ultra claude-opus-4-5-20251101
/chat/completions
claude-opus-4-5-20251101Claude Opus 4.5 menumpukan pembangunan yang rumit, penyelidikan dan kerja berbilang langkah dengan alat. Membantu menganalisis tugasan yang samar serta menyediakan kandungan dokumen, hamparan dan pembentangan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Claude Opus 4.5 ialah model Anthropic untuk tugasan yang memerlukan pemahaman keperluan samar, pemilihan pelan tindakan dan penerusan kerja secara berurutan sehingga menghasilkan hasil. Bidang utama yang diketengahkan ialah pengaturcaraan, kerja ejen, penggunaan komputer dan penyelidikan mendalam. Dalam kerja profesional harian, model boleh membantu dengan hamparan dan pembentangan.
Dalam tugasan kejuruteraan, Opus 4.5 boleh meneliti hubungan antara beberapa bahagian sistem, mencari punca ralat rumit, membincangkan kompromi dan menyediakan perubahan kod. Bagi kerja berpanjangan, Anthropic menekankan perancangan tindakan, penggunaan alat dan penyelarasan subtugasan secara berasingan. Ini sesuai untuk senario yang memerlukan bahan dikaji terlebih dahulu, kemudian tindakan dipilih dan hasilnya diperiksa.
Kemudahan membaca dan menyunting fail, melaksanakan arahan, mencari maklumat dan menggunakan antara muka mesti disediakan oleh aplikasi. Model menaakul tentang tindakan yang perlu dilakukan dan membentuk panggilan kepada alat yang tersedia; pelaksanaan sebenar bergantung pada persekitaran yang disambungkan. Begitu juga, penyediaan hamparan atau pembentangan boleh merangkumi kandungan dan kod, manakala penghasilan fail siap memerlukan alat yang sepadan.
Opus 4.5 menyokong extended thinking dengan bajet manual budget_tokens. Apabila mod ini diaktifkan, model menganalisis tugasan sebelum respons akhir. Dengan sokongan aplikasi yang sepadan, model juga boleh menaakul antara panggilan alat, dengan mengambil kira hasil yang diterima sebelum tindakan seterusnya.
Jika kaedah menyokong tetapan, bajet manual budget_tokens bermula pada 1024 token dan biasanya mesti kurang daripada max_tokens. Terdapat pengecualian untuk penaakulan antara alat: bajet boleh melebihi max_tokens kerana merangkumi beberapa blok analisis dalam satu giliran. Pengecualian ini memerlukan aplikasi menyokong mod tersebut.
Parameter effort mengawal tahap usaha keseluruhan: low, medium dan high tersedia, dengan high sebagai tahap standard. Parameter ini berfungsi sama ada penaakulan diaktifkan atau tidak. Bajet penaakulan dan tahap usaha mempunyai fungsi yang berbeza: yang pertama mengarahkan jumlah analisis dalaman, manakala yang kedua mempengaruhi usaha menghasilkan respons secara keseluruhan. Versi ini tidak mempunyai mod adaptif.
Teks dan imej diterima sebagai input, manakala model menghasilkan teks sebagai output. Konteks ialah 200 ribu token, dengan panjang respons maksimum 64 ribu token. Set bahan besar boleh digunakan untuk penyelidikan, analisis dokumen dan pembangunan, tetapi hasil mesti dimuatkan dalam batasan versi khusus ini.
Format input visual biasa pengeluar ialah JPEG/PNG/GIF/WebP, dengan bingkai pertama digunakan bagi animasi. Untuk analisis natif: sisi panjang ialah 1568 piksel dan jumlah token visual ialah 1568; imej besar dikecilkan sebelum analisis. Sokongan fail dan parameter bergantung pada kaedah aplikasi.
Batas pengetahuan terbina dalam yang boleh dipercayai ialah Mei 2025. Maklumat semasa memerlukan bahan yang diberikan atau alat aplikasi. Anthropic melatih model untuk menentang arahan berniat jahat yang tersembunyi dalam kandungan pihak lain, tetapi ini tidak menyingkirkan kemungkinan kesimpulan salah: pelan, perubahan dan kesimpulan perlu diperiksa dalam tugasan sebenar.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had claude-opus-4-5-20251101 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Perbualan teks | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
Parameteroptional_controls | Kontrakstream |
Parametercontrol_scope | KontrakPerbualan teks; stream ialah nilai boolean dengan false sebagai lalai. |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Alias kaedah: /chat/completions
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.01 / 1K token Output · Token output $0.05 / 1K token Input · Bacaan cache $0.001 / 1K token Input · Penulisan cache $0.0125 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"claude-opus-4-5-20251101","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="claude-opus-4-5-20251101", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot claude-opus-4-5-20251101
Ailoot Ultra claude-opus-4-5-20251101
/chat/completions
claude-opus-4-5-20251101Claude Opus 4.5 menumpukan pembangunan yang rumit, penyelidikan dan kerja berbilang langkah dengan alat. Membantu menganalisis tugasan yang samar serta menyediakan kandungan dokumen, hamparan dan pembentangan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Claude Opus 4.5 ialah model Anthropic untuk tugasan yang memerlukan pemahaman keperluan samar, pemilihan pelan tindakan dan penerusan kerja secara berurutan sehingga menghasilkan hasil. Bidang utama yang diketengahkan ialah pengaturcaraan, kerja ejen, penggunaan komputer dan penyelidikan mendalam. Dalam kerja profesional harian, model boleh membantu dengan hamparan dan pembentangan.
Dalam tugasan kejuruteraan, Opus 4.5 boleh meneliti hubungan antara beberapa bahagian sistem, mencari punca ralat rumit, membincangkan kompromi dan menyediakan perubahan kod. Bagi kerja berpanjangan, Anthropic menekankan perancangan tindakan, penggunaan alat dan penyelarasan subtugasan secara berasingan. Ini sesuai untuk senario yang memerlukan bahan dikaji terlebih dahulu, kemudian tindakan dipilih dan hasilnya diperiksa.
Kemudahan membaca dan menyunting fail, melaksanakan arahan, mencari maklumat dan menggunakan antara muka mesti disediakan oleh aplikasi. Model menaakul tentang tindakan yang perlu dilakukan dan membentuk panggilan kepada alat yang tersedia; pelaksanaan sebenar bergantung pada persekitaran yang disambungkan. Begitu juga, penyediaan hamparan atau pembentangan boleh merangkumi kandungan dan kod, manakala penghasilan fail siap memerlukan alat yang sepadan.
Opus 4.5 menyokong extended thinking dengan bajet manual budget_tokens. Apabila mod ini diaktifkan, model menganalisis tugasan sebelum respons akhir. Dengan sokongan aplikasi yang sepadan, model juga boleh menaakul antara panggilan alat, dengan mengambil kira hasil yang diterima sebelum tindakan seterusnya.
Jika kaedah menyokong tetapan, bajet manual budget_tokens bermula pada 1024 token dan biasanya mesti kurang daripada max_tokens. Terdapat pengecualian untuk penaakulan antara alat: bajet boleh melebihi max_tokens kerana merangkumi beberapa blok analisis dalam satu giliran. Pengecualian ini memerlukan aplikasi menyokong mod tersebut.
Parameter effort mengawal tahap usaha keseluruhan: low, medium dan high tersedia, dengan high sebagai tahap standard. Parameter ini berfungsi sama ada penaakulan diaktifkan atau tidak. Bajet penaakulan dan tahap usaha mempunyai fungsi yang berbeza: yang pertama mengarahkan jumlah analisis dalaman, manakala yang kedua mempengaruhi usaha menghasilkan respons secara keseluruhan. Versi ini tidak mempunyai mod adaptif.
Teks dan imej diterima sebagai input, manakala model menghasilkan teks sebagai output. Konteks ialah 200 ribu token, dengan panjang respons maksimum 64 ribu token. Set bahan besar boleh digunakan untuk penyelidikan, analisis dokumen dan pembangunan, tetapi hasil mesti dimuatkan dalam batasan versi khusus ini.
Format input visual biasa pengeluar ialah JPEG/PNG/GIF/WebP, dengan bingkai pertama digunakan bagi animasi. Untuk analisis natif: sisi panjang ialah 1568 piksel dan jumlah token visual ialah 1568; imej besar dikecilkan sebelum analisis. Sokongan fail dan parameter bergantung pada kaedah aplikasi.
Batas pengetahuan terbina dalam yang boleh dipercayai ialah Mei 2025. Maklumat semasa memerlukan bahan yang diberikan atau alat aplikasi. Anthropic melatih model untuk menentang arahan berniat jahat yang tersembunyi dalam kandungan pihak lain, tetapi ini tidak menyingkirkan kemungkinan kesimpulan salah: pelan, perubahan dan kesimpulan perlu diperiksa dalam tugasan sebenar.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had claude-opus-4-5-20251101 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.01 / 1K token Output · Token output $0.05 / 1K token Input · Bacaan cache $0.001 / 1K token Input · Penulisan cache $0.0125 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "claude-opus-4-5-20251101",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'claude-opus-4-5-20251101', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'claude-opus-4-5-20251101', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot claude-opus-4-5-20251101
Ailoot Ultra claude-opus-4-5-20251101
/chat/completions
Contoh teknikal dalam bahasa Inggeris
Fix a mutation-dependent retry bug\n\nReview this Python function: def ready(items):\n for item in items:\n if item["done"]:\n items.remove(item)\n return items\nWith two adjacent completed items, one remains. Propose a minimal correction that preserves the input list, and provide tests for adjacent completed items, no completed items and an empty list.A corrected Python function, a brief bug explanation and three executable test cases.Check that iteration does not mutate the source list and that the test with two adjacent completed items removes both from the result.